Seaborn是针对统计绘图的，一般来说，Seaborn能满足数据分析90%的绘图需求。本站整理的Seaborn的41个样例代码，在github进行分享，绝大部分数据可视化的问题可以参考这里的样例代码。

Matplotlib试着让简单的事情更加简单，困难的事情变得可能，而Seaborn就是让困难的东西更加简单。

Seaborn是针对统计绘图的，一般来说，Seaborn能满足数据分析90%的绘图需求。

Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用Seaborn就能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物。

用matplotlib最大的困难是其默认的各种参数，而Seaborn则完全避免了这一问题。

seaborn一共有5个大类21种图，分别是：

  • Relational plots 关系类图表

  1.     relplot() 关系类图表的接口，其实是下面两种图的集成，通过指定kind参数可以画出下面的两种图

  2.     scatterplot() 散点图

  3.     lineplot() 折线图

  • Categorical plots 分类图表

  1.   catplot() 分类图表的接口，其实是下面八种图表的集成，通过指定kind参数可以画出下面的八种图

  2.     stripplot() 分类散点图

  3.     swarmplot() 能够显示分布密度的分类散点图

  4.     boxplot() 箱图

  5.     violinplot() 小提琴图

  6.     boxenplot() 增强箱图

  7.     pointplot() 点图

  8.     barplot() 条形图

  9.     countplot() 计数图

  • Distribution plot 分布图

  1.     jointplot() 双变量关系图

  2.     pairplot() 变量关系组图

  3.     distplot() 直方图，质量估计图

  4.     kdeplot() 核函数密度估计图

  5.     rugplot() 将数组中的数据点绘制为轴上的数据

  • Regression plots 回归图

  1.     lmplot() 回归模型图

  2.     regplot() 线性回归图

  3.     residplot() 线性回归残差图

  • Matrix plots 矩阵图

  1.     heatmap() 热力图

  2.     clustermap() 聚集图

github地址：

https://github.com/fengdu78/machine_learning_beginner/tree/master/seaborn

主要内容：

Jupyter notebook格式，Seaborn.ipynb包含共41个Seaborn的样例代码，只需要修改数据源就能画出类似下图这样的图表。

（Seaborn内置了不少样例数据，为dataframe类型， 命令：df = sns.load_dataset("anscombe")即读取“anscombe”样例数据，如果要查看数据，可以使用类似df.head()命令查看，绘图的时候替换为自己的数据即可。）

部分效果

参考：

http://seaborn.pydata.org/examples/index.html